针对恶意广告 URL 检测框架的对抗攻击分析
机器学习
2022-04-29 v1 人工智能
密码学与安全
网络与互联网体系结构
摘要
恶意广告 URL 构成安全风险，因其是网络攻击的来源，且在工业界与学术界解决该问题的需求日益增长。通常，攻击者通过电子邮件、广告链接或任何其他通信方式向用户传递攻击向量，并将其导向恶意网站以窃取敏感信息并欺诈他们。现有恶意 URL 检测技术有限，难以处理未见特征并泛化到测试数据。在本研究中，我们提取了一组新颖的词法与网络爬取特征，并采用机器学习技术建立欺诈性广告 URL 检测系统。六种不同特征的集合精确克服了欺诈 URL 分类中的混淆。基于不同统计属性，我们使用十二种不同格式的数据集进行检测、预测与分类任务。我们将预测分析扩展到不匹配与未标记数据集。对于该框架，我们分析了四种机器学习技术：Random Forest、Gradient Boost、XGBoost 与 AdaBoost 在检测部分的性能。借助所提方法，我们可实现低至 0.0037 的假阴性率，同时保持 99.63% 的高准确率。此外，我们设计了一种基于 K-Means 算法的无监督数据聚类新技术用于可视化分析。本文在有限知识攻击场景下分析了基于决策树模型的脆弱性。我们考虑了探索性攻击，并在检测模型上实施了 Zeroth Order Optimization 对抗攻击。
引用
@article{arxiv.2204.13172,
title = {An Adversarial Attack Analysis on Malicious Advertisement URL Detection Framework},
author = {Ehsan Nowroozi and Abhishek and Mohammadreza Mohammadi and Mauro Conti},
journal= {arXiv preprint arXiv:2204.13172},
year = {2022}
}
备注
13